Kykyä osoittaa korrelaatio parin biomolekyylin välillä paransi huomattavasti Amsterdamin yliopistossa työskentelevä Erik Manders, joka esitteli Pearsonin korrelaatiokertoimen mikroskoopikoille yhdessä muiden kertoimien kanssa, joista suosituimmiksi ja hyödyllisimmiksi ovat osoittautuneet ”päällekkäisyyskertoimet” M1 ja M2. Kertoimien käytön tarkoituksena on luonnehtia kuvien päällekkäisyyden astetta, yleensä kahden kanavan päällekkäisyyttä moniulotteisessa mikroskopiakuvassa, joka on tallennettu eri emissioaallonpituuksilla. Suositun lähestymistavan esitteli Sylvain Costes, joka käytti Pearsonin korrelaatiokerrointa välineenä M1:n ja M2:n tarvitsemien kynnysarvojen objektiiviseen asettamiseen. Costesin lähestymistavassa oletetaan, että vain positiiviset korrelaatiot ovat kiinnostavia, eikä se tarjoa käyttökelpoista PCC:n mittausta.
Vaikka kertoimien käyttö voi merkittävästi parantaa kolokalisaation havaitsemisen luotettavuutta, se riippuu useista tekijöistä, mukaan lukien olosuhteista, joissa fluoresenssinäytteet valmisteltiin ja joissa kolokalisaatiokuvat otettiin ja käsiteltiin. Tutkimukset on suoritettava suurella varovaisuudella ja huolellisen taustatietojen lukemisen jälkeen. Tällä hetkellä alalla vallitsee sekaannus, eikä standardoitua lähestymistapaa ole vielä vakiinnutettu. Tämän korjaamiseksi on pyritty muun muassa tarkastelemaan ja tarkistamaan uudelleen joitakin kertoimia, soveltamaan kohinaa korjaavaa tekijää, ”Replicate based noise corrected correlations for accurate measurements of colocalization”. ja ehdottamaan lisäprotokollia, jotka Bolte ja Cordelieres (2006) ovat käyneet perusteellisesti läpi. Koska fluoresenssikuvilla on taipumus sisältää jonkin verran tarkennuksen ulkopuolista signaalia sekä poisson- ja muuta kohinaa, ne vaativat yleensä esikäsittelyä ennen kvantifiointia. Huolellinen kuvankorjaus dekonvoluutiolla poistaa kohinan ja lisää kuvien kontrastia, mikä parantaa kolokalisaatioanalyysitulosten laatua. Tähän mennessä yleisimmin käytetyt kolokalisaation kvantifiointimenetelmät laskevat pikselien intensiteettien tilastollisen korrelaation kahdessa eri mikroskopointikanavassa. Uudemmat tutkimukset ovat osoittaneet, että tämä voi johtaa korkeisiin korrelaatiokertoimiin jopa sellaisten kohteiden osalta, joiden tiedetään sijaitsevan eri solukompartimenteissa. Kolokalisaation vankempi kvantifiointi voidaan saavuttaa yhdistämällä digitaalinen kohteen tunnistus, alueen päällekkäisyyden laskeminen ja yhdistäminen pikselin intensiteetin korrelaatioarvoon. Tämä johti objektikorjatun Pearsonin korrelaatiokertoimen käsitteeseen.